质量控制图中趋势模式的综合识别方法

提出了一种综合模糊技术与神经网络技术对基于控制图的趋势模式进行自动分类识别的智能方法 .将控制图作为信息图用于趋势模式的提取 ,用模糊化的控制图模式数据构造训练集 ,将训练后的BP神经网络用来对趋势模式进行自动分类识别 .该方法为工序状态异常模式识别提供了一种新的方法 ,提高了工序异常状态分类识别的效率和可靠性 .最后用实例进行了仿真实验     

质量控制图中趋势模式的综合识别方法

提出了一种综合模糊技术与神经网络技术对基于控制图的趋势模式进行自动分类识别的智能方法,将控制图作为信息图用于趋势模式的提取,用模糊化的控制图模式数据构造训练集,将训练后的ＢＰ神经网络用来对真挚模式进行自动分类识别,该方法为工序状态异常模式识别提供了一种新的方法,提高了工序异常状态分类识别的效率和可靠性,最后用实例进行了仿真实验。     

基于BP神经网络对时滞系统的模型参数辨识仿真

主要研究了基于BP神经网络对时滞系统的参数辨识,分析了两种辨识结构和两种建模方法,对系统被控对象的建模采用了神经网络正模型,辨识结构为串-并联型.考虑加强BP网络的泛化能力,用随机数据去训练网络,然后得到训练后的权值,给一个阶跃信号,利用交叉两点法,从而得到时滞系统的特征参数.通过仿真,基于BP网络对时滞系统的参数辨识是有效的.     

基于人工免疫网络的模式识别算法

针对实际对象数学模型不明确而难以控制的问题,采用人工免疫网络的离散模型与学习算法,将人工免疫系统与神经网络结构的优势相结合,提出了一种基于人工免疫网络的模式识别算法,构造了对象识别的人工免疫网络模型.该算法综合了网络节点的定位与参数调整以及对基函数的平滑因子实施调谐等功能,有效地解决了径向基函数(RBF)神经网络模式识别的两个阶段任务,使模式识别的精度有较大的改进.采用两个不同对象函数进行的仿真试验表明,该算法具有快速收敛性与较高的准确性.     

基于自适应神经模糊网络的路面识别技术

以路面识别为目的,利用自适应神经模糊网络(ANFIS)进行路面不平度激励时域估测研究. 首先建立车辆1/4模型运动微分方程,并使用白噪声信号激励车辆模型,利用激励产生的模型动力学响应进行自适应神经模糊系统训练. 之后对训练获得的逆向车辆动力学模型进行分析并利用随机路面激励产生的系统响应进行随机路面时域估测. 最后对自适应神经模糊网络系统隶属函数个数及输入数据组合进行分析比较. 仿真结果显示,自适应模糊神经网络系统能够以较高的精度完成路面时域估测.      

基于粗糙集理论的模糊神经网络及其在化纤生产过程中的应用

提出一种基于粗糙集理论的模糊神经网络系统,首先运用粗糙集理论来发现大量样本数据中的概略化的规则,然后根据这些规则来设计神经网络的结构模型,并利用神经网络技术对模型进行训练。化纤工业中抽丝冷却侧吹风过程的模拟仿真实验,证明了该方法的有效性和可行性。     

神经网络预测控制在污水处理溶解氧控制中的应用

针对污水处理过程溶解氧浓度时变设定值难以控制的问题,提出一种溶解氧浓度的神经网络预测控制器设计方法.首先,在活性污泥法污水处理过程通用机理模型基础上,利用系统的输入、输出数据,采用递推学习更新模式,通过三层BP神经网络训练出系统神经网络逼近模型.然后,设计满足出水水质指标的溶解氧约束预测控制器.在考虑溶解氧测量白噪音干扰和进水流量发生阶跃变化情况下,将所设计的控制器用于污水处理溶解氧浓度的时变设定值跟踪控制.仿真结果表明:与传统PID控制器相比,神经网络预测控制器能够显著提高溶解氧跟踪控制性能,具有更好的自适应性和抗干扰能力.     

基于模式识别神经网络的重力匹配算法

为了提高重力辅助惯性导航系统在重力异常明显区域内的定位精度和匹配率,用模式识别神经网络的方法进行了重力匹配.在匹配时刻,根据惯导指示位置确定在一定的网格点范围内搜索载体真实位置,以每个网格点为终点把惯导指示航迹放置到重力图上,由此提取一系列的参考重力图上数据,并把它和对应网格点的位置定义成一个模式类,把所有的模式类作为概率神经网络的样本训练一个模式识别神经网络,然后把重力仪测量数据使用该神经网络识别到某个模式类,对比模式类的定义可以确定此时的载体位置.计算仿真研究表明,该算法的重力匹配率优于通常的相关匹配算法,其组合导航系统的定位误差在1个重力图网格左右.     

图像识别神经网络处理系统

目的　研制用于二值图像实时识别的神经网络处理器; 方法　采用数字电路实现的图像识别神经网络系统有３ 大模块：边缘提取模块以二值图像序列作为输入,用平面建筑物原理和８ 邻域原理提取图像的边缘特征;特征提取模块在边缘特征的基础上提取具有不变性的角特性和组块特征;模式分类模块采用４ 层特征映射神经网络实现图像模式识别; 结果　通过对图像信号发生器送出的二值飞机图像识别说明,训练样本数越多系统识别率越高; 结论　该系统能够快速、正确地实时识别二值图像序列;     

基于GA-PID神经网络的板形模式识别方法

针对传统板形模式识别方法存在抗干扰能力差和识别精度有限等缺点,提出了基于遗传算法(GA)优化的PID神经网络板形模式识别方法.PID神经网络不仅具备传统多层前向网络的特点,而且其隐含层具有动态特性,可以直接用于动态系统辨识.GA具备良好的并行设计结构,具有全局优化的特点,利用GA对网络权值进行优化,克服了传统BP算法易陷于局部极小的不足.仿真结果表明:GA-PID神经网络的板形模式识别方法能够识别出常见的板形缺陷,提高了板形模式识别精度,可以满足板带轧机高精度的板形控制要求.     

基于控制图的工序加工状况模糊判别

提出了监测工序加工状况的一种新方法．先对工序的检测数据进行常规统计分析,再通过模糊综合判别方法自动判别工序的稳定性．在计算机上模拟典型样本对建立的神经网络进行训练,然后用于工序状况的模糊判别,提高模糊判别的精确度．用实例对这种方法进行了说明．该方法适用于下一代制造系统（ＮＧＭＳ）中的工序质量控制．     

基于神经网络的几种控制图表模式的识别研究

建立一个复合的神经网络模型,使其可以更精确的判断输入的控制图模式,同时利用该网络模型的再分类功能,可以减少判断不同模式时所造成的误判断.通过对各种模式的训练和仿真,表明该方法相对于传统方法有较大的优势.     

基于神经网络多参数融合的钻井过程状态监测与故障诊断

复杂系统状态监测与故障诊断是系统安全运行过程中的重要保障,分析了钻井系统事故状态下特征参数的变化,给出了用神经网络进行故障诊断的流程,在利用样本数据对网络进行训练的基础上建立了稳定的神经网络诊断模型。输入各种状态下的新样本数据,能够得到正确的系统状态识别,通过改进网络算法改进了网络性能。对生产数据的处理结果表明,基于神经网络的多参数融合算法可以很好地识别钻井过程中的不同状态,能够实现状态检测与故障诊断。     

On-Line Partial Discharge Monitoring and Diagnostic System for Power Transformer

This paper introduces a computerized on-line partial discharge （PD） monitoring and diagnostic system for transformers. The system, which is already in use in a power station, uses wide-band active transducers and a data acquisition unit with modularized and exchangeable components. The system software is a power equipment monitoring and diagnostic system, which is based on the component object model, and was developed for monitoring multiple parameters in multiple power supply systems. The statistical characteristics of PDs in power transformers were studied using 7 experimental models for simulating PDs in transformers and 3 models for simulating interfering discharges in air. The discharge features were analyzed using a 3-D pattern chart with a three-layer back-propagation artificial neural network used to recognize the patterns. The results show that PDs in air and oil can be distinguished. The model can be used for interference rejection on-line monitoring of partial discharge in transformers.     

二元自相关过程的残差T2控制图

多元自相关过程不满足现行多元质量控制理论的前提假设。该文探讨了两个随机变量相互独立,其中一个随机变量的观测值相互独立、另一随机变量服从一阶自回归模型的二元自相关过程。在参数已知的条件下,提出了二元自相关过程的残差T2控制图。通过M on te C arlo模拟,得到了一族该二元自相关过程在不同偏移量下的平均链长。分析结果表明残差T2控制图的适用范围由自相关的强弱和偏移量的大小决定,可以有效监控大部分该类二元自相关过程。     

多变量生物发酵过程的解耦控制

把非线性系统的逆系统方法与神经网络非线性辨识技术相结合 ,提出了一种基于神经网络逆系统的发酵过程多变量解耦控制策略 .当过程模型缺乏足够的先验知识时 ,所提出的解耦控制策略对多变量非线性连续发酵过程取得了良好的控制性能 .仿真结果表明 ,提出的解耦控制方法能够适应过程模型的不确定性和参数的时变性 ,具有较强的鲁棒性 .克服了基于微分几何理论的逆系统解耦控制方案依赖于过程模型和对模型参数变化很敏感的缺点 .     

过程质量控制的BP神经网络诊断方法研究

利用BP神经网络建立了过程质量控制图模式诊断模型，并采用单因素法优化了模型参数．仿真结果表明，神经网络能有效识别控制图模式类型，具有较高的识别率，模型符合过程质量智能诊断的基本要求．     

多变量过程监控的D控制图

针对如何将大数据技术与传统的多元控制图相结合,以获得一个具有自学习性的控制图的问题,以支持向量数据描述(SVDD)为构建基础,提出一个基于支持向量数据描述的D控制图.该D控制图通过对在控数据的学习,自适应地构建出自己的监控模型.仿真实验及工业实例表明:D控制图在多变量制造过程中的表现优于T²控制图,是一个理想的监控模型.     

自动交换光网络控制平面性能研究

研究了通用多协议标记交换（GMPLS）协议技术的控制平面模型和系统结构。基于一个典型的IP／WDM骨干网拓扑,模拟了与自动交换光网络（ASON）协议相关的控制平面性能。结果表明,ASON控制平面技术能够满足光路动态实时建立的网络需求。     

神经网络在精密长丝杠磨削控制中的应用

提出了一种基于信息模型的“磨削过程卡”控制策略,介绍了它在精密长丝杠磨削过程控制方面的应用原理,介绍了误差测量系统的原理与实现,并就利用神经网络对传感器信息进行融合,以实现对丝杠磨削过程的预报控制的方法进行了研究与探讨．